1.一种基于AO算法的碳排放量预测方法，其特征在于，包括：从预置的多个碳排放影响因素中筛选目标影响因素；获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；

其中，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；

对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素；

AO算法采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；

基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；

获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；

将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；

其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解；

所述AO算法具体包括：

设置种群数量、求解维度和迭代次数，初始化种群；

进行随机游走觅食，使用莱维飞行形成全局寻优新解；

对所有解进行适应度值运算，计算得到全局寻优新解的适应度值；

对比莱维飞行后的全局寻优新解与全局寻优原解的适应度值大小，选取适应度值较小的作为全局寻优解，具体的：将安康鱼在深海中随机游走觅食模拟为全局寻优的过程，用莱维飞行算法进行模拟，公式表达式为：；

式中， 表示安康鱼在第 时刻的位置， 表示安康鱼在第 时刻的位置， 为步长比例因子， 为服从莱维分布的路径， 为莱维飞行参数；

在莱维飞行结束后获得一个新解，通过计算并比较新解和原解的适应度大小，从而获得适应度最小的解，实现全局搜索寻优；

将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；

对适应度最高的头鱼进行随机游走；

雌鱼以头鱼的位置和种群平均位置为目标进行游走，具体的：雌鱼的头鱼占据了适应度最高的位置，通过寻找其它同类进行随机寻优，公式表达为：；

式中， 表示第 时刻适应度最高的安康鱼位置， 为鱼群搜索的步长修正系数，为0到1的随机数， 表示第 时刻随机安康鱼的位置；

其他雌鱼数据为总群体的50%，受觅食本能和繁殖本能影响，不断往食物量较高的地方以及群体中心移动，公式表达为：；

式中， 表示第i条安康鱼在第 时刻的位置， 表示种群平均位置， 为鱼群搜索的第一回退系数；

雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走，具体的：将一半雄鱼设置为受繁殖本能以及生存环境和天敌的影响，不断往种群中心移动并远离适应度最低位置，另一半设置为仅受生存环境和天敌的影响进行寻优，公式表达为：；

式中， 为适应度最差安康鱼的位置， 为鱼群搜索的第二回退系数， 为迭代时间， 为预置的迭代时间阈值；

对比局部寻优新解与原解的适应度大小，选取适应度较小的解；

判断算法结束条件：当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。

2.根据权利要求1所述的基于AO算法的碳排放量预测方法，其特征在于，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：所述基于解释结构模型法对各所述碳排放影响因素进行分析，包括：对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；

根据所述原始邻接关系布尔矩阵计算得到可达矩阵；

基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图；

根据所述层次拓扑图确定底层影响因素；

从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素；

所述剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，包括：剔除所述岭回归系数低于0.05的关键影响因素。

3.一种基于AO算法的碳排放量预测装置，其特征在于，包括：筛选模块，用于从预置的多个碳排放影响因素中筛选目标影响因素；

第一构建模块，用于获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；

其中，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；

对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素；

AO算法采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；

第一预测模块，用于基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；

第二构建模块，用于获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；

第二预测模块，用于将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；

其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解；

所述AO算法具体包括：

设置种群数量、求解维度和迭代次数，初始化种群；

进行随机游走觅食，使用莱维飞行形成全局寻优新解；

对所有解进行适应度值运算，计算得到全局寻优新解的适应度值；

对比莱维飞行后的全局寻优新解与全局寻优原解的适应度值大小，选取适应度值较小的作为全局寻优解；

将安康鱼在深海中随机游走觅食模拟为全局寻优的过程，用莱维飞行算法进行模拟，公式表达式为：；

式中， 表示安康鱼在第 时刻的位置， 表示安康鱼在第 时刻的位置， 为步长比例因子， 为服从莱维分布的路径， 为莱维飞行参数；

在莱维飞行结束后获得一个新解，通过计算并比较新解和原解的适应度大小，从而获得适应度最小的解，实现全局搜索寻优；

将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；

对适应度最高的头鱼进行随机游走；

雌鱼以头鱼的位置和种群平均位置为目标进行游走，具体的：雌鱼的头鱼占据了适应度最高的位置，通过寻找其它同类进行随机寻优，公式表达为：；

式中， 表示第 时刻适应度最高的安康鱼位置， 为鱼群搜索的步长修正系数，为0到1的随机数， 表示第 时刻随机安康鱼的位置；

其他雌鱼数据为总群体的50%，受觅食本能和繁殖本能影响，不断往食物量较高的地方以及群体中心移动，公式表达为：；

式中， 表示第i条安康鱼在第 时刻的位置， 表示种群平均位置， 为鱼群搜索的第一回退系数；

雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走，具体的：将一半雄鱼设置为受繁殖本能以及生存环境和天敌的影响，不断往种群中心移动并远离适应度最低位置，另一半设置为仅受生存环境和天敌的影响进行寻优，公式表达为：；

式中， 为适应度最差安康鱼的位置， 为鱼群搜索的第二回退系数， 为迭代时间， 为预置的迭代时间阈值；

对比局部寻优新解与原解的适应度大小，选取适应度较小的解；

判断算法结束条件：当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。

4.一种基于AO算法的碳排放量预测设备，其特征在于，包括：存储器，用于存储指令；其中，所述指令用于实现如权利要求1‑2任意一项所述的基于AO算法的碳排放量预测方法；

处理器，用于执行所述存储器中的指令。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1‑2任意一项所述的基于AO算法的碳排放量预测方法。